본 논문은 분산된 클라이언트에서 원시 데이터를 공유하지 않고 협업적인 모델 학습을 가능하게 하는 연합 학습(Federated Learning, FL)에 초점을 맞추고 있습니다. 특히, 연합 학습에서 차등적 개인 정보 보호(Differential Privacy, DP)를 보장하는 문제에 대해 다루며, 개인 정보 보호와 모델 유용성 사이의 절충점을 해결하기 위한 적응형 클리핑 메커니즘을 제안합니다. 기존의 고정된 클리핑 규범(clipping norm) 방식의 한계를 극복하기 위해 다목적 최적화 프레임워크를 이용하여 클리핑 규범을 동적으로 조정하는 방법을 제시하고, MNIST, Fashion-MNIST, CIFAR-10 데이터셋을 사용한 실험을 통해 제안된 방법의 효과를 검증합니다. 이를 통해 동적 클리핑 전략이 차등적 개인 정보 보호 연합 학습에서 개인 정보 보호와 유용성 간의 절충을 향상시킬 수 있음을 보여줍니다.
